nireEHU 
Materia
Aplicaciones (I): Aproximación al PLN
Datos generales de la materia
- Modalidad
- Presencial
- Idioma
- Inglés
Descripción y contextualización de la asignatura
El objetivo del curso es introducir el Procesamiento del Lenguaje Natural (PLN) a partir de aplicaciones ampliamente extendidas tanto en investigación como en la industria. El contenido constará de técnicas básicas de PLN: clasificación de documentos, técnicas que etiquetado secuencial para extraer opiniones, uso de representaciones vectoriales de palabras (word embeddings), normalización y pre-procesamiento de textos. Además, se analizará el papel de la traducción automática en el ámbito profesional y no profesional, atendiendo en particular al proceso de posedición. El curso tendrá un enfoque práctico basado en ejercicios mediante herramientas de software para el aprendizaje automático profundo (deep learning) utilizadas habitualmente en PLN.Profesorado
| Nombre | Institución | Categoría | Doctor/a | Perfil docente | Área | |
|---|---|---|---|---|---|---|
| AGERRI GASCON, RODRIGO | Universidad del País Vasco/Euskal Herriko Unibertsitatea | Investigador Ramón Y Cajal | Doctor | No bilingüe | ** n o c o n s t a e l a r e a * ó " á r e a p r o v i s i o n a l" | rodrigo.agerri@ehu.eus |
| ARANBERRI MONASTERIO, NORA | Universidad del País Vasco/Euskal Herriko Unibertsitatea | Profesorado Agregado | Doctora | Bilingüe | Traducción e Interpretación | nora.aranberri@ehu.eus |
Competencias
| Denominación | Peso |
|---|---|
| Capacidad de aplicar las herramientas existentes para el procesamiento de diferentes lenguas (analizadores morfológicos, sintácticos, semánticos). | 33.0 % |
| Capacidad de comprensión de las características del lenguaje humano que hacen difícil su tratamiento automático. | 33.0 % |
| Capacidad de utilizar las aplicaciones existentes en el área de la tecnología de la lengua. | 33.0 % |
Tipos de docencia
| Tipo | Horas presenciales | Horas no presenciales | Horas totales |
|---|---|---|---|
| Magistral | 10 | 15 | 25 |
| P. Laboratorio | 20 | 30 | 50 |
Actividades formativas
| Denominación | Horas | Porcentaje de presencialidad |
|---|---|---|
| Clases magistrales | 25.0 | 40 % |
| Prácticas con ordenador, laboratorio, salidas de campo, visitas externas | 50.0 | 40 % |
Sistemas de evaluación
| Denominación | Ponderación mínima | Ponderación máxima |
|---|---|---|
| Examen escrito | 20.0 % | 20.0 % |
| Exposiciones | 20.0 % | 20.0 % |
| Portafolio | 20.0 % | 20.0 % |
| Trabajos Prácticos | 40.0 % | 40.0 % |
Resultados del aprendizaje de la asignatura
Capacidad de usar, diseñar e investigar en aplicaciones de PLN basadas en clasificación de documentos y etiquetado secuencial básico para varios idiomas (euskera, español, inglés) y dominios (noticias, redes sociales).Identificar los recursos lingüísticos necesarios para adaptar aplicaciones de PLN.
Aprender a usar de manera autónoma herramientas y librerías para el procesamiento de textos y traducción automática.
Capacidad de entender el rol de la post-edición en la aplicación de Traducción Automática.
Autonomía para la resolución de problemas prácticos mediante la aplicación de tecnología de PLN.
Temario
1. Introducción al PLN a través de casos de uso prácticos y aplicaciones (Traducción Automática, Análisis de Opiniones).2. Clasificación de documentos multilingüe: Detección de sentimiento y noticias falsas (fake news) en noticias y redes sociales.
3. Etiquetado Secuencial para análisis de opiniones y de sentimientos.
4. La post-edición la evaluación de sistemas de Traducción Automática.
Bibliografía
Materiales de uso obligatorio
Bing Liu. Sentiment Analysis and Opinion Mining. Morgan & Claypool Publishers, 2012. https://www.cs.uic.edu/~liub/FBS/SentimentAnalysis-and-OpinionMining.htmlNatural Language Processing in Python (http://www.nltk.org/book)
O¿Brien, S., Balling, L. W., Carl, M., Simar, M. and Specia, L. 2014. Post-editing of Machine Translation. Cambridge Scholars Publishing.